Realitätsnahe virtuelle Vegetationsgenerierung im urbanen Raum basierend auf online verfügbaren Kartendaten. M. Sc.

Transkript

1 Realitätsnahe virtuelle Vegetationsgenerierung im urbanen Raum basierend auf online verfügbaren Kartendaten Vortragender: Betreuer: Verantwortlicher Professor: Antonio Purrmann M. Sc. Florian Weidner Prof. Dr. Wolfgang Broll

2 Gliederung 1. Motivation 2. Ziele der Arbeit 3. Vorstellung PlantPlanter 4. Vegetationsdetektion 4.1. Eingangsdaten 4.2. Grundlagen 4.3. Umsetzung 5. Bewertung der Ergebnisse 6. Fazit und Ausblick 2

3 1. Motivation [DMP] 3

4 1. Motivation 4

5 1. Motivation Vegetationsinformationen nur großflächig verfügbar [F4Map] 5

6 2. Ziele der Arbeit Lässt sich auf Basis von frei verfügbaren Geodaten urbane Vegetation automatisiert extrahieren, sodass sie im Rahmen virtueller Anwendungen nutzbar ist? Kombination verschiedener freier Geodaten Automatisierte Verarbeitung der Geodaten Automatisierte Generierung der 3D-Welt in der Unreal Engine Realitätsnahe und echtzeitfähige Darstellung in der Unreal Engine 6

7 3. Vorstellung PlantPlanter Besteht aus 2 Plug-Ins: PlantPlanterQGIS Verarbeitung der Geodaten PlantPlanterUE Darstellung der Ergebnisse PlantPlanterQGIS Exportformat PlantPlanterUE 7

8 3.1. Vorstellung PlantPlanterQGIS 8

9 3.1. Vorstellung PlantPlanterQGIS 9

10 3.1. Vorstellung PlantPlanterQGIS 10

11 3.1. Vorstellung PlantPlanterQGIS 11

12 3.1. Vorstellung PlantPlanterQGIS 12

13 3.1. Vorstellung PlantPlanterQGIS 13

14 3.2. Vorstellung PlantPlanterUE 14

15 3.2. Vorstellung PlantPlanterUE 15

16 3.2. Vorstellung PlantPlanterUE 16

17 4. VEGETATIONSDETEKTION 17

18 4.1 Eingangsdaten Geodatentypen: Rasterdaten Vektordaten Genutzte freie Geodaten: OpenStreetMap (Straßen, Gewässer, Gebäude) 18

19 4.1 Eingangsdaten Geodatentypen: Rasterdaten Vektordaten Genutzte freie Geodaten: OpenStreetMap (Straßen, Gewässer, Gebäude) GDI-Thüringen (RGB-, CIR-Luftbilder, Liegenschaftskataster, Bodennutzungskarten) 19

20 4.1 Eingangsdaten Geodatentypen: Rasterdaten Vektordaten Genutzte freie Geodaten: OpenStreetMap (Straßen, Gewässer, Gebäude) GDI-Thüringen (RGB-, CIR-Luftbilder, Liegenschaftskataster, Bodennutzungskarten) 20

21 4.1 Eingangsdaten Geodatentypen: Rasterdaten Vektordaten Genutzte freie Geodaten: OpenStreetMap (Straßen, Gewässer, Gebäude) GDI-Thüringen (RGB-, CIR-Luftbilder, Liegenschaftskataster, Bodennutzungskarten) 21

22 4.1 Eingangsdaten Geodatentypen: Rasterdaten Vektordaten Genutzte freie Geodaten: OpenStreetMap (Straßen, Gewässer, Gebäude) GDI-Thüringen (RGB-, CIR-Luftbilder, Liegenschaftskataster, Bodennutzungskarten) 22

23 4.1 Eingangsdaten Geodatentypen: Rasterdaten Vektordaten Genutzte freie Geodaten: OpenStreetMap (Straßen, Gewässer, Gebäude) GDI-Thüringen (RGB-, CIR-Luftbilder, Liegenschaftskataster, Bodennutzungskarten) EU (Digitales Geländemodell) 23

24 4.1 Eingangsdaten Überführung der Geodaten in einheitliche Masken Gebäudemaske Straßenmaske Gewässermaske Waldmaske Feldmaske Grasmaske Pflanzenmaske 24

25 4.2 Grundlagen Vegetationsdetektion mittels Normalized Differenced Vegetation Index (NDVI) NIR R NDVI = NIR+R Annahme: [RHSD74] Große Pflanzen haben hohen NDVI [nach Roe07] 25

26 4.3 Umsetzung Trennung von Gras und größeren Pflanzen nutzerspezifizierten NDVI Annahme: Gras unter Bäumen nicht bei Straßen, Gebäuden, KeinGrasMaske 26

27 4.3 Umsetzung Ziel: Einzelne Pflanzen ermitteln und deren Parameter extrahieren Position Ausmaße vgl. [RHRP13] 27

28 4.3 Umsetzung = Pflanze Ergebnis der Pflanzenparameterextraktion 28

29 5. Bewertung der Ergebnisse Ground-Truth-Daten von der Internationalen Gesellschaft für Photogrammetrie und Fernerkundung [ISPRS] Autos Gebäude Gras Bäume 29

30 5. Bewertung der Ergebnisse True positive Pixel False negative Pixel False positive Pixel Grasmaske (NDVI > 0,2) Pflanzenmaske (NDVI > 0,4) 30

31 5. Bewertung der Ergebnisse Grasmaske: Completness: Correctness: Pflanzenmaske: Completness: Correctness: Completness = Correctness = tp tp + fn tp tp + fp tp = Anzahl true positive Pixel fp = Anzahl false positive Pixel fn = Anzahl false negative Pixel [ISPRS] 31

32 5. Bewertung der Ergebnisse 32

33 5. Bewertung der Ergebnisse Problempunkt: Starke Abhängigkeit von CIR-Bildern 33

34 6. Fazit Konzeptionierung und Umsetzung einer Pipeline zur Generierung von 3D-Welten auf Basis von freien Geodaten Automatisierte Extraktion von Vegetationsinformationen Anpassungsmöglichkeiten der generierten Daten Generierung von 3D-Szenen auf Basis von Nutzerdaten Realitätsnahe und echtzeitfähige Darstellung 34

35 6. Ausblick Nutzung zukünftig verfügbarer Geodaten (2017): Digitales Oberflächenmodell Pflanzenhöhe genauer bestimmbar Hecken an Grundstücksgrenzen weiter optimieren Wechselwirkungen zwischen Pflanzen einbeziehen Weitere Komponenten (Gebäude, Straßen, Gewässer,...) aus den Geodaten generieren bzw. verfeinern 35

36 Quellen [RHSD74] Rouse, J. W. Jr. ; Haas, R. H. ; Schell, J. A. ; Deering, D. W.: Monitoring Vegetation Systems in the Great Plains with Erts. In: NASASpecial Publication 351 (1974), S. 309 [TZSA13] Talebi, S. and Zarea, A. and Sadeghian, S. and Arefi, H. Detection of Tree Crowns Based on Reclassification Using Aerial Images and Lidar Data. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2013, S [FaCo09] MATTHIEU FAESSEL AND FRANCIS COURTOIS, TOUCHING GRAIN KERNELS SEPARATION BY GAP-FILLING, 2009 [F4Map] abgerufen am [DMP] abgerufen am [ISPRS] abgerufen am [RHRP13] Recio, J. A. and Hermosilla, T. and Ruiz, L. A. and Palomar, J., Automated Extraction of Tree and Plot-based Parameters in Citrus Orchards from Aerial Images, Comput. Electron. Agric., January 2013, Vol 90, S [Roe07] Roettger, Stefan: NDVI-based Vegetation Rendering. In: Proceedings of the Ninth IASTED International Conference on Computer Graphics and Imaging. Anaheim, CA, USA : ACTA Press, 2007 (CGIM 07). ISBN , [City1] abgerufen am [City2] abgerufen am [BSKl14] Berssenbrügge, Jan ; Stöcklein, Jörg ; Koza, Andre ; ler, Iris G.: Procedural Generation of Vegetation for a Virtual Test Track. In: ASME 2014 International Design Engineering Technical Conferences and Computers and Information in Engineering Conference Bd. Volume 1B: 34th Computers and Information in Engineering Conference,

37 VIELEN DANK FÜR IHRE AUFMERKSAMKEIT. 37

38 Staatliche Geodaten GDI-EU GDI-DE GDI-Th 38

39 Klassifizierung Klassifizierung der Pflanzen nach Nutzervorgaben Eingabe Anzahl unterschiedlicher Baum- und Buschtypen Clusterzentren mittels k-means-algorithmus Momentan Klassifizierung nach Radius und Waldmaske 39

40 MaskMode 40

41 Vegetationsverteilung bei großen Flächen Raster erzeugen Pseudozufällige Verschiebung in Bereich 41

42 NDVI und SI Normalized Differenced Vegetation Index NDVI = NIR R NIR+R [RHSD74] Shadow Index SI = R R+G+B - R [TZSA13] 42

43 Exportformat Nutzung von Standardaustauschformaten Menschenlesbar (Debugging) 43

44 Katasterparzellenextraktion Ziel: Grundstücksgrenzen extrahieren Herausforderung: Bereinigung und Vektorisierung von Rasterdaten 44

45 Katasterparzellenextraktion Lösung: Text entfernen Lücken schließen (nach [FACO09]) 45

46 Katasterparzellenextraktion Kreuzungen nach [FACO09] nicht möglich Winkel Betrachtungen 46

47 Katasterparzellenextraktion Ergebnis nach Vektorisierung 47

48 Hecken an Grundstücksgrenzen Generierung von Hecken an Grundstücksgrenzen Typische (Einfamilien-)Grundstücke finden Äquidistantes Platzieren von Büschen wenn NDVI > X 48

49 Grasmaske 49

50 Digitale Oberflächenmodelle 50

51 CityEngine [City1] [City2] 51

52 Berssenbrügge et al. Grobe Flächen aus Digitalen Landschaftsmodellen (ähnlich Bodenutzungskarten) Verfeinert durch Farbanalyse der Luftbilder Manuelle Zuordnung der Farben Verteilung auf Basis von Regeln [BSKl14] 52

53 Alleinstellungsmerkmale Maskmode Klassifizierung nach Nutzereingabe Hecken an Grundstücksgrenzen Engine austauschbar 53